Skills
收录 96,981 个为 Agent 打包的专项能力与操作指引，复制一行命令即可安装。
数据与数据库
用于在 DataLens 中构建、修复或发布独立 HTML 页面或报告。DataLens 接收完整的自包含 HTML 文档（通常是带表格、图表和 CSV/下载按钮的 AI 生成报告），并在沙盒化且受 CSP 限制的 iframe 中渲染，因此普通网页代码可能会静默失效。适用于从头生成此类页面，以及排查 DataLens 页面异常：图片、字体、脚本或 CDN 库被拦截或触发 Content-Security-Policy 错误；fetch/XHR/localStorage 失败；图表空白；下载或 Export 按钮无响应；上传因文件过大或编码错误被拒；页面需要匹配用户的 DataLens 主题（浅色/深色）和语言（ru/en）；或需要嵌入 Yandex 地图。还涵盖允许使用的 CDN 和主机，以及如何让页面完全自包含。不适用于 DataLens 图表单元格或 HTML 标记表格列。
提供 HuggingFace Tokenizers 库（Rust 核心，带 Python 和 Node.js 绑定），用于训练和使用 BPE、WordPiece 和 Unigram 分词器。涵盖标准化器、预分词器、模型、后处理器和解码器组成的处理流水线、填充和截断、批量编码、对齐跟踪，以及转换为 transformers PreTrainedTokenizerFast。在新语料上训练自定义分词器或词汇表、快速分词大型文本语料、为 NER 或问答将 token 映射回字符偏移，或配置标准化和特殊 token 时使用。将自定义分词器封装以供 transformers 使用时也可使用。SentencePiece 模型或 tiktoken 请使用相应工具；仅加载预训练分词器时，AutoTokenizer 即可满足需求。
使用 Instructor Python 库和 Pydantic 响应模型，从 LLM 响应中提取结构化且经过验证的数据，包括嵌套模型、枚举、自定义验证器、根据验证错误反馈自动重试，以及流式输出部分对象或可迭代对象。支持 Anthropic、OpenAI 和本地 Ollama 模型。适用于从自由文本中提取带类型的字段或实体、将文本分类到固定类别、要求 LLM 返回通过模式验证的 JSON、提取失败时自动重试，或流式获取部分结构化结果。不可用于提示词优化（使用 DSPy）或构建多步骤链（使用 LangChain）。
使用 signalTimeFeatureExtractor、signalFrequencyFeatureExtractor 和 signalTimeFrequencyFeatureExtractor 从一维信号中提取特征。适用于按帧计算时域特征（幅值、能量、形状因子）、频域特征（频谱位置、功率、带宽、PSD）或时频特征（频谱形状、瞬时、脊线、小波、EMD 派生）时。当用户要求“提取特征”“计算频谱特征”“为分类器构建特征表”“获取逐帧统计量”“对这个信号运行特征提取”，或描述需要为下游 ML 或分析提取特征的振动 / 生物信号 / 雷达 / 传感器信号时使用。包含通过 canUseGPU 和 gpuArray 的可选 GPU 加速。不涵盖滤波器设计、音频专用特征提取（请改用 Audio Toolbox 中的 audioFeatureExtractor）、批量数据集编排，或二维 / 图像特征。
基于实时网络数据端到端构建 Databricks 数据产品：发现合适的 Nimble 网络数据 Agent、抓取到 Delta 表，并生成 AI/BI 仪表板和/或已部署的 Databricks App——一条表 → 仪表板 → 应用的工作流，适用于生产级数据产品或快速演示。当请求将实时或抓取的网络数据与 Databricks 目标结合时使用——例如“将 Amazon/Walmart 价格抓取到 Delta 表并构建仪表板”“将 Zillow/Instagram/Maps/搜索结果加载到 Databricks 并构建仪表板或应用”“向潜在客户展示 Nimble + Databricks”。当数据落在 Databricks 中时，优先使用它而非 nimble-web-expert 或 competitor-intel。不要用于一次性的网络抓取或没有 Databricks 目标的 CSV 导出——请改用 nimble-web-expert。不要用于竞品或公司调研简报——请改用 competitor-intel 或 company-deep-dive。不要用于没有 Nimble/网络数据角度的通用 Databricks 工作——请改用官方 databricks-* 技能。
当用户想将 NLP 应用于供应链、从文档中提取信息、分析供应商沟通、对物品分类，或处理非结构化文本时使用。当用户提到 "natural language processing"、"NLP"、"text mining"、"document extraction"、"supplier sentiment analysis"、"product classification from text"、"BERT"、"transformers for text" 或 "chatbots for supply chain" 时也使用。关于通用机器学习，参见 ml-supply-chain。
一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。